作者分享了用 16 个自主 AI agent 在三个月内反编译一款热门第一人称射击游戏为 C++ 的完整过程。项目从 4 个 agent 起步，用 GitHub issues 追踪进度、Discord 实现 agent 间通信，并用 Hex-Rays ida-mcp 进行反汇编。初期虽然游戏能运行，但代码存在大量语义错误，根源是缺乏客观验收标准。团队随后构建了字节匹配验证 harness，对重构函数与原版 EXE 逐字节比较，让便宜的模型也能可靠工作。最终 99% 的函数完成重构，83% 字节级精确。文章总结了关键经验：指令必须精确、正确性应机器可检查、好的 harness 可用低成本模型、指令需定期刷新等，总计消耗约 6000-7000 亿 token。
本文介绍 Atomic 团队提出的编码 agent 工作流概念：将软件开发流程定义为可执行的显式路径，用 TypeScript 表达，包含输入与成功标准、有边界的阶段与工具、可检视的移交、相关检查、审查批准点、停止与恢复条件六大要素。文章对比了一次性提示与结构化工作流的适用场景，说明 agentic coding 与 agentic engineering 的区别，并介绍工作流如何在运行时物化为可检视的 DAG，以及功能交付、缺陷排查、迁移、发布准备等常见工作流形态，强调可验证性与人工控制的重要性。
本文介绍 Replit AI 团队关于 agent harness 设计的实证文章：与其让较弱的 router 替强模型选择 LLM，不如解放模型自己决定 effort 档位、何时委派任务以及交给谁。Replit Agent 通过四个可组合委派原语（领域感知子 agent、档位与 effort、可复用子 agent、动态 effort 调整）实现这一目标。生产数据显示，GPT-6 Astra 是首个无需吩咐就例行把实现交给通用 worker 的模型，回访已有子 agent 的比例达 42%。基准测试中 Replit Agent 在 DeepSWE 和 Terminal-Bench 上均优于 sidekick 架构 11~16 个点，且具备成本-质量帕累托有效性。作者将其解读为 Sutton「苦涩的教训」的实例：模型越强，harness 越应少做决定。
作者对开源项目 CLM（Contrastive Language Models）声称的 DeepSWE 81.6% SOTA 成绩进行了独立复现。通过三重验证（常数分数测试、用作者自带分数复算、checkpoint 哈希校验），确认 fold1 的 81.579% 可精确复现。但深入分析发现，该项目采用三折交叉验证，公布的数字是最优折，三折平均仅为 78.66%，跨度达 19 个百分点，fold2 甚至低于随机基线（主要因小样本高方差）。文章还验证了 CLM 训练成本低（纯 CPU 分钟级）、编码器可在 macOS 上运行、预训练头在 1000 条数据以内有效等结论，并指出 README 中复现命令路径失效、评估脚本未公开等问题。
文章系统讲解了 TypeSafe 的 Jev 决策模型的使用方法。Jev 接收非结构化状态和问题，返回类型安全的答案、概率分布和置信度，提供三种提问原语：Noul（是/否判断）、Choice（选项挑选）、Score（档位评分）。文章介绍五条上手路径（Playground、HTTP API、Python SDK、Agent Skill、开源适配器），并总结提问技巧：一个问题只问一个判断、多因素拆开加权、档位写具体情形而非程度、一次问满并行问题以节省成本。置信度使用上推荐按风险分层设置阈值的三段式策略。文末讨论成本速度、边界限制及社区应用场景，并介绍了开源替代 OpenJev。
